Tłumaczenie automatyczne · Oryginał angielski

F5-TTS

Ta pierwsza strona Soniqo dokumentuje F5-TTS z lokalnej implementacji speech-swift / speech-core. Hugging Face są połączone poniżej po notatkach integracyjnych.

Strona wewnętrzna pierwsza

Karty do lądowania i menu doków wskazują najpierw tutaj; model źródłowy i linki do pakietów pozostają dostępne na tej stronie.

At a Glance

Wzór	F5-TTS
Rola	Klonowanie głosu zeroshot z krótkiego zapisu odniesienia plus transkrypcji
Wstecz	MLX fp16
Wyjście	24 kHz monofalowa forma fali
Języki	Angielski i mandaryński, mieszane EN / ZH obsługiwane
Licencja	Wagi CC-BY-NC-4.0; niekomercyjne pakiety
Status	Gotowy przez przemówienie --engine f5 oraz F5TTS Swift produkt
Źródło	SWivid F5-TTS
Produkt Swift	`F5TTS`
CLI / runtime	`speech speak --engine f5`

Stosowanie

Poniższy fragment jest odzwierciedleniem bieżącego speech-swift API lub polecenia zdemaskowanego przez repo.

# Clone a voice from a ~10 s reference clip plus its transcript.
.build/release/speech speak "Hello from my cloned voice." \
  --engine f5 \
  --voice-sample reference.wav \
  --f5-reference-text "Text spoken in the reference clip." \
  -o cloned.wav

Wzory linków

Uwagi do wdrożenia

16 Domyślne są etapy przepływu (RTF 0.57 w sprawie M5 Pro, niższe jest szybsze); --f5-steps 32 dla maksymalnej wierności, 12 działa na RTF 0.43 — ASR wycieczki są identyczne w całej trójce.
Wymagane jest --f5-reference-text: warunki klonowania na transkrypcie referencyjnym oraz ślady jakości, jak czysto klip referencyjny kończy się na granicy zdania.
Mandarin przebiega przez połączone pinyin lexicon z tonem sandhi pieczone w czasie eksportu (99.2% token- dokładnie przed początkowym rjieba / pypinyin frontend), więc Swift nie potrzebuje zewnętrznego tokenizera.
Deterministyczne na --f5-seed; --f5-speed skalowanie chodnik, wytrzymałość CFG i kołysanie próbek są narażone na flagi; o 0.8 GB szczyt RSS sprawia, że najmniejszy silnik klonowania w pakiecie.